論文の概要: Pixel-Level Self-Paced Learning for Super-Resolution

• arxiv url: http://arxiv.org/abs/2003.03113v2
• Date: Mon, 9 Mar 2020 04:32:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 01:11:09.956462
• Title: Pixel-Level Self-Paced Learning for Super-Resolution
• Title（参考訳）: 超解像のためのピクセルレベル自己ペース学習
• Authors: Wei. Lin, Junyu. Gao, Qi. Wang, Xuelong. Li
• Abstract要約: 本稿では、SISRモデルの収束速度を高速化するために、PPL(Pixel-level Self-Paced Learning)と呼ばれるトレーニング戦略を設計する。 自己ペースト学習を模倣したPSPLは、予測SR画像中の各ピクセルとその対応するピクセルに注意重みを与え、パラメータ空間内のより良い領域にモデルを誘導する。 実験の結果、PSPLはSISRモデルの訓練を高速化し、いくつかの既存のモデルに新たなより良い結果を得るよう促すことができた。
• 参考スコア（独自算出の注目度）: 101.13851473792334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, lots of deep networks are proposed to improve the quality of predicted super-resolution (SR) images, due to its widespread use in several image-based fields. However, with these networks being constructed deeper and deeper, they also cost much longer time for training, which may guide the learners to local optimization. To tackle this problem, this paper designs a training strategy named Pixel-level Self-Paced Learning (PSPL) to accelerate the convergence velocity of SISR models. PSPL imitating self-paced learning gives each pixel in the predicted SR image and its corresponding pixel in ground truth an attention weight, to guide the model to a better region in parameter space. Extensive experiments proved that PSPL could speed up the training of SISR models, and prompt several existing models to obtain new better results. Furthermore, the source code is available at https://github.com/Elin24/PSPL.
• Abstract（参考訳）: 近年,超解像(sr)画像の精度向上のために,画像ベースで広く利用されている深層ネットワークが多数提案されている。 しかし、これらのネットワークはより深く深く構築されているため、トレーニングにずっと時間がかかるため、学習者を局所的な最適化に導く可能性がある。 この問題に対処するため,本論文では,SISRモデルの収束速度を高速化する,Pixel-level Self-Paced Learning (PSPL) というトレーニング戦略を設計する。 自己ペースト学習を模倣したPSPLは、予測SR画像中の各ピクセルとその対応するピクセルに注意重みを与え、パラメータ空間内のより良い領域にモデルを誘導する。 大規模な実験により、PSPLはSISRモデルの訓練を高速化し、いくつかの既存のモデルに新しいより良い結果を得るよう促すことができた。 さらにソースコードはhttps://github.com/elin24/psplで入手できる。

関連論文リスト

• Fine Structure-Aware Sampling: A New Sampling Training Scheme for Pixel-Aligned Implicit Models in Single-View Human Reconstruction [105.46091601932524]
  本研究では,単一視点の人物再構成のための暗黙的画素アライメントモデルをトレーニングするために,FSS(Final Structured-Aware Sampling)を導入する。 FSSは表面の厚さと複雑さに積極的に適応する。 また、画素アライメント型暗黙的モデルのためのメッシュ厚み損失信号を提案する。
  論文  参考訳（メタデータ） (2024-02-29T14:26:46Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• LSR: A Light-Weight Super-Resolution Method [36.14816868964436]
  LSRは、補間された低分解能画像(ILR)と高分解能画像(HR)の間の残像を自己監督フレームワークを用いて予測する。 1)教師なし学習により対象画素の近傍にリッチで多様化した表現プールを生成すること,2)教師なし学習により下層の超解像タスクに最も関係のある表現プールからサブセットを選択すること,3)回帰によって対象画素の残差を予測すること,の3つのモジュールから構成される。
  論文  参考訳（メタデータ） (2023-02-27T09:02:35Z)
• Image Super-resolution with An Enhanced Group Convolutional Neural Network [102.2483249598621]
  学習能力の強いCNNは、超解像問題を解くために広く選択されている。 浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。 ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
  論文  参考訳（メタデータ） (2022-05-29T00:34:25Z)
• LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond [75.37541439447314]
  単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。 本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
  論文  参考訳（メタデータ） (2021-05-21T15:47:18Z)
• Deep Unrolled Network for Video Super-Resolution [0.45880283710344055]
  ビデオスーパーリゾリューション(VSR)は、対応する低リゾリューション(LR)バージョンから高リゾリューション(HR)画像のシーケンスを再構築することを目的としています。 伝統的に、VSR問題の解法は、画像形成や動きの仮定に関する事前知識を利用する反復アルゴリズムに基づいている。 ディープラーニング(DL)アルゴリズムは、大量の画像から空間パターンを効率的に学習できます。 未使用の最適化技術に基づく新しいVSRニューラルネットワークを提案し,その性能を議論する。
  論文  参考訳（メタデータ） (2021-02-23T14:35:09Z)
• Attaining Real-Time Super-Resolution for Microscopic Images Using GAN [0.06345523830122167]
  本稿では,標準的なGPUを用いた超解像顕微鏡をリアルタイムに実行するための,既存のディープラーニングに基づく手法の改善に焦点をあてる。 生成器のアーキテクチャとSRGANの判別器の単純な変更を提案する。 我々は、我々のモデルが生成した出力の品質と実行時間を比較し、ローエンドのベンチトップやモバイルの顕微鏡のような様々な領域にそのアプリケーションを開放する。
  論文  参考訳（メタデータ） (2020-10-09T15:26:21Z)
• Deep Iterative Residual Convolutional Network for Single Image Super-Resolution [31.934084942626257]
  我々は、ISRResCNet(Deep Iterative Super-Resolution Residual Convolutional Network)を提案する。 残差学習アプローチを用いて、深層ネットワークを反復的に訓練することにより、強力な画像正規化と大規模最適化手法を活用する。 トレーニング可能なパラメータがいくつかある本手法は,最先端の手法と比較して,異なるスケーリング要因に対する結果を改善する。
  論文  参考訳（メタデータ） (2020-09-07T12:54:14Z)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。